机器视觉中图像噪声如何处理？一文读懂机器视觉中常见的4种滤波方式！

认识图像噪声：机器视觉的“隐形干扰源”

图像噪声，简单来说就是图像中不该出现的、随机分布的亮度或颜色波动。在机器视觉应用中，噪声的来源多种多样：

▍传感器本身的热噪声与暗电流，相机连续工作时间越长越明显；

▍光照不均匀、环境光波动引入的干扰；

▍信号传输与模数转换过程中叠加的噪声；

▍高增益拍摄时被放大的微弱信号波动。

从形态上看，最常见的是两类噪声：

高斯噪声——呈随机颗粒状、灰度值起伏相对平缓；“椒盐噪声”——表现为黑白点状的灰度突变。不同类型的噪声，需要用不同的滤波方式“对症下药”。

4种常见滤波方式，对症下药

原理：将目标像素邻域内所有像素的灰度值相加求平均，用平均值替换中心像素，实现整片区域的“抹平”。

优点：

· 算法简单、计算量小、实时性好

· 对高斯噪声有一定的平滑作用

缺点：

· 平滑的同时会把边缘和细节一并模糊，图像变“糊”

· 对椒盐噪声基本无效，甚至会把噪声扩散到更大范围

适用场景：对细节要求不高的粗定位、背景平滑、大区域灰度均匀化等前处理环节。

原理：将邻域内所有像素按灰度值排序，取中间值替换中心像素。

优点：

· 对椒盐噪声（黑白点状突变）的抑制效果非常出色

· 在去噪的同时能较好地保留边缘信息

缺点：

· 对高斯噪声的抑制能力一般

· 邻域窗口较大时计算量上升，可能损失细小特征

适用场景：去除椒盐噪声、划痕与脏污检测前的图像净化等场景。

原理：根据高斯分布为邻域内各像素分配权重（离中心越近权重越大），再进行加权平均。

优点：

· 平滑效果自然、过渡柔和

· 对高斯噪声有很好的抑制作用，是边缘检测、尺度空间等算法的常用前置步骤

缺点：

· 本质仍是线性平滑，处理不当会模糊边缘

· σ（标准差）参数需要根据噪声水平反复调优

适用场景：抑制高斯噪声、图像金字塔与尺度空间构建、边缘检测前的预处理。

原理：在空间距离权重之外，再叠加一个灰度相似度权重：边缘两侧像素灰度差异大，权重被大幅压低，边缘因此得以保留。

优点：

· 既能有效去噪，又能保持边缘清晰锐利

· 非常适合对边缘精度要求高的测量与定位场景

缺点：

· 计算量大、实时性较差

· 空间σ与灰度σ两个参数调参较复杂，对高频噪声抑制效果有限

适用场景：高精度尺寸测量、边缘定位、3C与半导体等精密检测领域。

一张表看懂4种滤波方式

注：实际效果与图像内容、噪声水平、滤波核大小等参数密切相关，建议结合项目实测对比。

如何选对滤波方式？

▍图像中散布黑白点状噪声（椒盐噪声） → 优先选中值滤波

▍图像整体颗粒感强、灰度起伏平缓（高斯噪声） → 首选高斯滤波

▍既要降噪、又要保住边缘用于测量定位 → 上双边滤波

▍实时性要求极高、场景简单 → 均值滤波是性价比之选

工程实战中，常将多种滤波组合使用——例如先中值滤波去除椒盐噪声、再高斯滤波平滑整体，并配合 ROI 限定、光源优化等手段，才能达到最优的检测效果。

图像噪声处理，是机器视觉系统落地应用的第一道“质量关”。滤波方式没有绝对的“最好”，只有针对场景的“最合适”。理解每种滤波的原理与“脾气”，才能在项目选型时游刃有余。随着深度学习与传统算法的融合，图像降噪也将变得更加智能。下一期，我们聊聊如何为机器视觉系统选择合适的光源与打光方案，敬请期待！

机器视觉 · 图像处理 | 技术科普